面向无人智能小车的双验证安全定位方法

针对无人智能小车在网络、硬件、操作系统和软件方面存在众多安全隐患,易受到物理或远程安全攻击,使其偏离配送轨迹导致配送任务失败,甚至被攻击者操控干扰工厂正常运行的问题,提出了一种面向无人智能小车的双验证安全定位方法。在无人智能小车端,利用已有的Wi-Fi网络基础设施进行指纹定位,并设计特征融合策略实现Wi-Fi和磁场指纹的动态融合;在环境端,部署多个监测点采集无人智能小车发出的声音信号计算到达时间差,并根据空间分割方法计算小车位置。在此基础上,通过将无人智能小车上报的位置信息和监测点计算的位置坐标进行对比验证,一旦发现小车位置出现异常则进行异常告警,从而保证无人智能小车的正常运转工作。在真实室内场景下的实验结果表明,所提方法可以有效跟踪目标设备的位置坐标,定位精度优于现有基准算法。

WiCare:一种非接触式的老人如厕跌倒监测模型

老人在卫生间内的跌倒行为存在因救助及时性差而导致严重危害的风险,因此高效快捷的如厕跌倒监测研究具有重要意义。针对当前基于Wi-Fi感知的跌倒监测方法中存在的受噪声影响大而特征提取不充分、监测精度有限的问题,提出了一种基于多级离散小波变换和软阈值处理的信号降噪算法,及一种融合卷积神经网络、双向长短期记忆网络及自注意力机制的非接触式如厕跌倒监测模型WiCare。首先,从原始CSI数据中提取振幅作为基础数据;其次,使用多级离散小波变换和软阈值处理进行感知数据降噪;然后,将感知数据进行多维重构,以更准确地表征跌倒行为特征;最后,利用WiCare提取感知数据中的有效特征,进而实现卫生间如厕跌倒行为监测功能。实验结果表明,WiCare在居家卫生间环境下对跌倒行为监测的准确率为99.41%,与其他同类模型相比,WiCare的识别准确率高,模型复杂度低,且泛化能力更强。

基于最佳特征子集的自适应非视距身份识别系统

身份识别一直是安防领域的研究重点,其在非视距场景下的研究存在较大意义。针对识别的舒适度和隐私性问题,提出基于最佳特征子集的自适应非视距身份识别系统。通过有效结合多种预处理手段获取Wi-Fi信号的低维有用数据;提出鲁棒性人员检测方法截取有效片段;设计有监督特征提取方法,使用“前向搜索”获取最佳特征子集;改进传统Adaboost算法实现群体变化下的自适应识别。实验评估表明,当系统中志愿者为2~12人时,与相关系统和传统分类算法相比,均具有较好的性能。

无线通信技术在铀矿山的应用研究

随着网络技术不断发展,无线通信技术得到广泛应用,并受到铀矿山企业的高度关注。对多种主流无线通信技术的发展现状进行了分析,对常用的几种短距离无线通信技术进行了综合性能比较,阐述了现阶段铀矿网络建设情况;结合中国铀矿山工业设施分布特点及网络需求,选取Wi-Fi、GPRS、ZigBee无线技术在现场开展应用研究,实现了移动集控室自动控制、洗井车远程监控、井口装置泄漏报警、设备巡检信号的网络传输。

一种Wi-Fi RTT/数据驱动惯性导航行人室内定位方法

为了研究基于智能手机的行人室内定位方法,并提高其精度,本文提出了一种基于Wi-Fi往返时间(RTT)、惯性测量单元(IMU)的定位系统。该方法主要包括3部分:(1)使用扩展卡尔曼滤波融合测距信息的Wi-Fi RTT室内定位方法;(2)适用于多手机使用模式的航位推算方法,该方法基于长短时记忆模型(LSTM)建立神经网络模型,预测行人运动速度及航向;(3)基于误差状态卡尔曼滤波的Wi-Fi RTT/数据驱动惯性导航融合定位方法,进一步提高定位精度。试验结果表明,与单一的基于Wi-Fi RTT方法和数据驱动惯性导航方法相比,本文方法的平均定位精度提升了10%~20%。

基于互联网+教育的校园无线网升级方案

随着智慧校园的建设,全国教育信息化进程实现了前所未有的快速发展,我校依照2018年教育部颁发《教育信息化2.0行动计划》,积极推进“互联网+教育”和“加快面向下一代网络的高校智能学习体系建设”,结合我校佛山校区当前教学楼A区、综合楼一区、综合楼二区、活动中心、行政楼、网络中心、图书馆区域的校园网覆盖情况,以及为学校智慧校园建设可持续发展提供基础支撑,进行升级改造。文章对校区无线网络状况进行了概述,提出了改造目标,结合Wi-Fi 6和全光以太网技术,进行方案设计,并于2022年7月实施,有效提高了网络传输速率,提高了校园网的用户接入数上限,以满足校区师生的无线接入使用需求。

基于Wi-Fi感知的多用户身份识别研究

随着无线感知技术的发展,基于Wi-Fi的身份识别研究在人机交互和家居安防等领域备受关注。尽管基于Wi-Fi信号的身份识别已经取得了初步的成功,但是目前主要适用于用户独立行为场景,并发行为下的多用户身份识别仍然面临着一系列挑战,包括用户之间的相互干扰以及模型鲁棒性差等问题。因此,提出了一种并发行为下多用户身份识别系统Wiblack,其核心思想是训练一个多分支深度神经网络(Wiblack-Net)来提取每个单用户的独特特征。首先,利用主干网络提取多用户之间的共同特征;然后,为每个用户分配一个二分类器以此判断给定群体中是否存在目标用户,在此基础上基于并发行为实现多个用户身份识别。此外,将Wiblack与多个独立的二分类模型和单个多分类模型进行对比实验,对运行效率和系统性能进行分析。实验结果显示,在同时识别3个用户身份时,Wibalck平均准确率达到了92.97%,平均精确度为93.71%,平均召回率为93.24%,平均F1值为92.43%。

基于Wi-Fi指纹且计算外包的室内定位隐私保护方案

为了解决室内定位中用户和服务器双方的隐私保护问题,提出了一种在使用Paillier加密的过程中将部分计算外包给云服务器的方案,这不仅保护了用户和定位服务器的隐私,而且避免了产生过大的计算和通信开销。该方案的主要思想是服务器先在离线阶段建立指纹数据库,在线阶段用户将k匿名算法和Paillier加密结合,将加密后的Wi-Fi指纹发送给定位服务器,服务器对接收到的Wi-Fi指纹和数据库指纹进行聚合处理,然后外包给云服务器进行解密和距离计算,最终得到定位结果。理论分析和实验结果表明了所提方案的安全性、有效性和实用性。

基于迁移学习的动态环境室内定位方法研究

随着智能家居应用的不断深化,基于Wi-Fi信号的室内定位技术也受到了广泛关注。在实际应用中,大多数室内定位算法采集得到的训练数据和测试数据通常并非来自于同一理想环境,各种环境条件变化以及信号漂移导致采集得到的训练数据和测试数据间的概率分布不同。传统定位模型在面对不同分布的训练数据和测试数据时无法保证具有良好的定位精度,常出现算法定位精度大幅降低,甚至算法不可用等问题。面对这一难点,迁移学习中的域适应方法作为一种可以有效解决训练样本和测试样本概率分布不一致的学习问题被广泛应用于室内定位领域。文中结合域适应学习和机器学习算法,提出了一种基于特征迁移的室内定位算法(Transfer Learning Location AlgorithmBased on Global and Local Metrics Adaptation,TL-GLMA)。TL-GLMA在定位阶段通过特征迁移方式将两域原始数据映射至高维空间,从而在最小化两域数据的分布差异的同时保留两域数据内部的局部几何属性,并利用映射后的独立同分布数据训练分类器,从而实现目标定位。实验结果表明,TL-GLMA能够有效减少环境变化带来的干扰,提升定位精度。

基于Wi-Fi信号感知技术的图书馆特殊群体服务研究

特殊群体是图书馆用户的重要组成部分,采用数字技术帮助特殊群体享受均等化的公共文化服务,是无障碍图书馆建设的重要部分。文章在介绍面向人机物融合的Wi-Fi信号感知技术的基础上,梳理了其在图书馆特殊群体服务中的具体应用场景。Wi-Fi信号感知技术在图书馆特殊群体服务中具有很好的应用价值,但也存在一些弊端和问题需要进一步优化和解决,在多种技术的加持下突破服务壁垒,提高服务质量。

光学透明超表面透镜及其无线通信效率增强

玻璃作为目前室内常用的建筑材料,无线信号通过玻璃时较大的插损会降低通信效率.本文设计了一种工作在2.4 GHz Wi-Fi频段的光学透明超表面,通过贴到玻璃两侧将无线信号实现区域聚焦以提高通信效率.为了获得满足区域聚焦的相位设计,超表面由耶路撒冷十字形和圆环两种双层结构组成,透明导电薄膜采用导电性好、光学透明度高的铜网.通过在微波暗室中扫描场强空间分布验证超表面的区域聚焦效果,与空白玻璃对比,在设计的整个聚焦区域均实现7.3 dB以上的场增强,与仿真结果较为符合.进一步测试了不同场景下的下载速度和网速稳定性验证透明超表面玻璃增强无线通信效率.结果表明,在实际使用环境中,设计的超表面玻璃较空白玻璃的下载速度可提高10 Mb/s,且下载速度浮动平稳.本文设计的光学透明超表面结构简单,使用便利,同时具备可移动性,可以根据通信增强需要进行随意摆放,为室内通信增强提供了一种可行的技术途径.

一种改进PDR与最小一乘法融合的室内定位方法

在室内定位系统中,基于Wi-Fi技术的定位精度很大程度上依赖于信号的稳定,信号的多径效应与非视距(Non Line of Sight,NLOS)会增大定位误差。行人航位推算(Pedestrian Dead Reckoning,PDR)定位系统会因传感器自身误差与噪声产生累计误差。针对上述问题,提出了一种改进的PDR与最小一乘法(Least Absolute Deviation,LAD)融合的室内定位算法。该算法基于模糊逻辑将PDR算法的步长固定参数改进为变量参数,同时根据LAD的定位结果对PDR进行周期性位置与拐点位置校正,选择扩展卡尔曼滤波(Extend Kalman Filter,EKF)将改进的PDR与LAD进行融合,以降低PDR的累计误差与LAD的突变误差,提高定位精度。实验结果表明:所提方法较其他方法具有更高的定位精度。

基于高斯过程回归的Wi-Fi RTT/RSS测距与指纹定位研究

基于往返时间(RTT)测量的智能手机Wi-Fi测距定位受限于室内环境的复杂性,仍面临稳定性差、精度低等问题。利用同步量测的Wi-Fi RTT和信号接收强度(RSS)数据,分别从测距与指纹补偿、测距定位与匹配定位优化等方面开展研究。首先,通过分析RTT测距误差规律,建立了基于高斯过程回归(GPR)的非参数测距误差补偿模型;研究了RSS数据分布,通过拟合Wi-Fi信号路径衰减模型,构建了基于GPR的RSS补偿模型。其次,开发了基于Web端的指纹库生成和指纹定位软件,可支持RSS指纹库、RTT测距指纹库自主建设和RSS/RTT指纹定位。最后,设计了基于GPR补偿的RTT测距定位、RTT指纹定位和Wi-Fi RSS指纹匹配定位算法,并综合分析了3种方法的定位性能。实验结果表明,经过高斯补偿的RTT测距定位、RTT指纹定位和RSS指纹定位的平均精度分别提升了50.81%、52.85%和48.72%,证明了高斯过程回归模型可有效提升Wi-Fi RTT/RSS测距与指纹定位的精度与稳定性。

基于Wi-Fi CSI的无监督域自适应伪装步态识别

步态识别作为一种非侵入性的人体生物识别技术,因其无须用户主动配合的特点,被广泛应用于安防和智能家居等领域。然而,现实中步态识别系统面临的一个重大挑战是伪装效应。当受试者改变着装或携带物品时,步态数据的可靠性往往受到影响,从而使步态识别变得困难。为解决这一问题,该文提出一种基于Wi-Fi CSI的无监督伪装步态识别方法。该方法引入一种新的数据度量策略,通过预训练来获取伪装步态数据的伪标签,并利用匹配滤波技术生成高质量的标记训练数据对。最终,通过无监督学习实现数据分布对齐,克服伪装步态数据的分布偏移问题。实验结果表明,该文的方法在伪装步态识别方面显著优于现有最先进的步态识别技术。

基于Wi-Fi Sensing的无感检测技术

随着智能家居的推广普及,对于移动物体的行为感知成为热点技术。相比于传统的信息检测技术,新型的基于Wi-Fi信号的设备无关被动入侵检测,能够在无需用户做任何干预也不影响人员隐私安全的情况下实现对于行为的检测判断,这和使用摄像头或红外检测形成显著差异,成为研究热点。该文基于Wi-Fi芯片平台采集物理层信道状态信息,构建与移动载体信息相关的检测模型,结合大数据分析和智能算法,给出相关的实现方案,并基于实验验证实现从无线信道中捕捉波形特征,验证方案的有效性,结合结果分析也为后续精度的进一步提升提供改进方向。

基于Wi-Fi信道状态信息的坐姿监测方法

[目的]针对现有的坐姿监测方法存在的接触式、隐私性低、成本高、部署不方便等问题对坐姿监测方法进行研究.[方法]提出基于Wi-Fi信道状态信息的坐姿监测方法.该方法在不同坐姿下采集商用路由器的Wi-Fi信道状态信息,结合卷积神经网络和长短期记忆神经网络建立坐姿分类模型,融合采样窗口内信道状态信息的幅值和相位数据,并充分提取数据的空间和时间特征,提高坐姿分类精度.在对原始相位数据进行预处理时,提出了近邻子载波差值阈值补偿方法,有效地解决了不同子载波的相位旋绕不同步的问题.[结果]搭建坐姿监测环境,对办公或学习场景下的5种常见坐姿进行分类.实验证明,该坐姿监测方法对坐姿分类有较高的准确率,对所有坐姿分类的平均准确率达到91.23%.[结论]本文提出的基于Wi-Fi信道状态信息的坐姿监测方法,具有非接触式、隐私性高、成本低、部署方便等特点,且对坐姿分类准确率高,在坐姿监测系统的研究上具有一定的实用价值.

融合Wi-Fi RTT/惯导的室内小车定位

本研究提出了一种基于卡尔曼滤波器的室内定位方法,利用Wi-Fi RTT和惯导技术融合实现室内小车定位研究。Wi-Fi RTT定位技术既能够提供快速定位也能在定位精度上得到保障。惯导系统不易受外界干扰,具有较强的稳定性和抗干扰能力。本研究对两者进行技术融合,实现室内消费级小车定位。本文提出的融合定位系统通过误差状态卡尔曼滤波器(ESKF)得到最优估计。首先Wi-Fi RTT定位系统通过使用扩展卡尔曼滤波(EKF)获取测距信息,并得到定位和测距值。将Wi-Fi RTT测距值作为滤波约束,融合惯导数据实现最优定位估计。然后通过RTS平滑器进一步平滑惯导系统的定位误差。最后对惯导系统定位结果中的平滑误差进行补偿,从而修正惯导系统的定位误差,得到最优估计下的定位结果。

室内多用户在线协同指纹定位算法

针对室内环境中多个用户同时申请定位服务的场景,提出一种基于多用户在线协同的室内指纹定位算法.考虑到邻近的多个用户在同一时段观测的Wi-Fi接入点(Access Point,AP)的接收信号强度指示(Received Signal Strength Indicator,RSSI)信号服从相似的空间分布,从而可利用该信号强度的大小来校准用户的估计位置.算法首先由目标用户的AP覆盖向量确定邻近的候选参考节点(Reference Point,RP)以及协同定位用户;利用协同定位用户观测的RSSI信息对候选RP进行可信度评估,并结合目标用户的RSSI信号与各候选RP指纹的相似度,筛选候选RP,利用WKNN(Weighted K-Nearest Neighbors)算法获得经协同定位用户校准后的目标用户的校准估计位置;同时,算法还融合了子集定位的思想,利用目标用户的在线RSSI信号构建用于校准定位的多个AP子集,并由位置密度检测方法剔除异常校准位置,确定目标的最终估计位置.算法涉及的协同用户的发现和位置的校准都无需额外的硬件支持,对用户透明.典型室内环境中的实验结果表明,多用户在线协同定位算法有效抑制了大定位误差,提高了定位性能.

基于通感一体化的Wi-Fi卸载匹配算法

针对目前移动数据流量激增所导致的通感一体化无线通信网络系统中的拥塞和过载问题,提出一种基于通感一体化的Wi-Fi卸载匹配算法。首先,基于信息论综合考虑系统的通信吞吐量和感知互信息量,定义系统的效用函数,在满足用户QoS的同时最大化系统的总效用;其次,基于图论的思想建立Wi-Fi信道分配算法为每个Wi-Fi接入点分配信道,并将用户的接入选择问题建立为具有外部性的多对一匹配博弈模型。仿真结果表明,所设计的卸载策略能够提高系统的总效用,缓解基站处的数据压力。

基于图卷积神经网络的室内穿墙无源目标检测算法

针对室内穿墙场景下目标状态差异而导致的信道状态信息(Channel State Information,CSI)功率谱密度在时序发生相应变化规律的不同,本文提出了一种基于图卷积神经网络(Graph Convolutional Neural,GCN)的室内穿墙无源目标检测算法.不同于传统的基于CSI的统计特征实现目标检测的相关系统,该算法从CSI的图域出发,基于CSI时频图特征构建得到GCN图结构后,使用可实现对复杂图中各节点进行分类的GCN作为分类器,提高了室内复杂环境下目标检测的性能.该方法在对原始CSI进行异常值去除和小波阈值去噪的基础上,利用短时傅里叶变换得到每个子载波上CSI幅值的时频图;然后根据各子载波CSI时频图特点,将存在能量的频率平均分为5个频段,再计算每个频段的平均功率谱密度,并在每个时序对其进行排序;最后基于对平均功率谱密度排序后各频段索引的变化规律构造GCN图,并将其邻接矩阵和特征矩阵输入GCN网络中进行训练,最终实现图节点特征与目标状态的一一映射.实验结果表明,在玻璃墙和砖墙场景下,本文提出的算法能够很好地刻画目标状态不同而导致的CSI功率谱密度变化规律的差异,且其平均检测准确率均高于现有的R-TTWD(Robust device-free Through-The-Wall Detection)和TWMD(The-Wall Moving Detection)目标检测算法.